JPH03156601A - Vehicle control method - Google Patents

Vehicle control method

Info

Publication number
JPH03156601A
JPH03156601A JP1296591A JP29659189A JPH03156601A JP H03156601 A JPH03156601 A JP H03156601A JP 1296591 A JP1296591 A JP 1296591A JP 29659189 A JP29659189 A JP 29659189A JP H03156601 A JPH03156601 A JP H03156601A
Authority
JP
Japan
Prior art keywords
throttle opening
value
neural network
change
throttle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP1296591A
Other languages
Japanese (ja)
Other versions
JP2764832B2 (en
Inventor
Hiromitsu Yuhara
博光 湯原
Tatsuto Watanabe
渡辺　龍人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honda Motor Co Ltd
Original Assignee
Honda Motor Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honda Motor Co Ltd filed Critical Honda Motor Co Ltd
Priority to JP1296591A priority Critical patent/JP2764832B2/en
Priority to US07/614,194 priority patent/US5200898A/en
Publication of JPH03156601A publication Critical patent/JPH03156601A/en
Application granted granted Critical
Publication of JP2764832B2 publication Critical patent/JP2764832B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D41/1405—Neural network control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/04—Introducing corrections for particular operating conditions
    • F02D41/045—Detection of accelerating or decelerating state
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/903—Control
    • Y10S706/905—Vehicle or aerospace

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Control Of Throttle Valves Provided In The Intake System Or In The Exhaust System (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)
  • Electrical Control Of Air Or Fuel Supplied To Internal-Combustion Engine (AREA)
  • Feedback Control In General (AREA)

Abstract

PURPOSE:To improve the accuracy of the estimated value of the throttle opening amount by ordering a neural network to learn so as to approximate the estimated throttle opening amount to the actual opening amount when the changing rate of the actual throttle opening amount is equal to zero. CONSTITUTION:A throttle opening amount theta, a changing rate (throttle speed) dtheta/dt of the throttle opening amount, a changing rate (throttle acceleration) d<2>theta/dt<2>, and the throttle tread-in time (te) are inputted to each neuron of an input layer from a CPU 6. The output signal of a neural network 12 which is outputted from an output layer in response to those input factors is inputted to the CPU 6 as the future throttle opening amount thetap estimated by the network 12 based on the signal inputted to the input layer. When the changing rate of the actual throttle opening amount is equal to zero, the network 12 is made learn so that the estimated throttle opening amount approximates to the actual opening amount. As a result, the accuracy of the estimated throttle opening amount is improved.

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、車載エンジンのスロットル開度等に応じて車
両の運転状態、例えば車載エンジンへの燃料供給量や自
動変速機の変速時期を制御する方法に関する。[Detailed Description of the Invention] [Industrial Application Field] The present invention controls the operating state of a vehicle, such as the amount of fuel supplied to the on-board engine and the shift timing of an automatic transmission, depending on the throttle opening of the on-board engine. Regarding how to.

〔従来の技術〕[Conventional technology]

近年、車載エンジンのスロットル開度に応じて、車両の
運転状態をマイコン等により自動制御することが行われ
ている。例えば、オートマチックトランスミッションの
変速操作を車速とスロットル開度とに応じ、予め決めら
れたシフトスケジュールマツプに従って制御することが
行われている。In recent years, the operating state of a vehicle has been automatically controlled by a microcomputer or the like in accordance with the throttle opening of an on-vehicle engine. For example, the speed change operation of an automatic transmission is controlled in accordance with a predetermined shift schedule map depending on vehicle speed and throttle opening.

〔発明が解決しようとする課題〕[Problem to be solved by the invention]

しかし、従来の制御では、スロットル開度等の現在値を
、車両の運転状態を制御するためのパラメータとして用
いていた。したがって、上述したオートマチックトラン
スミッションの変速制御では、キックダウン時に次のよ
うな問題が生じる。However, in conventional control, the current value of the throttle opening and the like is used as a parameter for controlling the driving state of the vehicle. Therefore, in the above-described shift control of the automatic transmission, the following problem occurs at the time of kickdown.

■　スロットルが開かれてからシフトダウンするまでに
タイムラグがある。■ There is a time lag between opening the throttle and downshifting.

■　スロットルが開かれエンジン回転数が上昇した後に
シフトダウンするため、変速時のショックが大きい。■ Since the downshift occurs after the throttle is opened and the engine speed rises, there is a large shock when changing gears.

■　■■の問題を解決するため、シフトダウンが完了す
るまでエンジン回転数の上昇を抑えれば、変速に伴うシ
ョックはなくなるが、タイムラグが増大する。■ ■■ To solve the problem, if you suppress the increase in engine speed until the downshift is completed, the shock associated with gear shifting will be eliminated, but the time lag will increase.

これらの問題を同時に解決するためには、スロットルが
開かれ始めた時点でスロットルがどこまで開かれるかを
予測し、この予測値に応じて変速制御を行うようにすれ
ば、大きな変速ショックを伴わずにシフトダウンのタイ
ミングを早めることができる。In order to solve these problems at the same time, it is possible to predict how far the throttle will be opened when it begins to open, and to perform gear shift control according to this predicted value, without causing a large shift shock. The downshift timing can be accelerated.

また、車載エンジンへの燃料供給量を制御する場合にも
、この予測値に応じて制御を行うこととすれば、応答性
に優れたエンジン制御が可能となる。Also, when controlling the amount of fuel supplied to the vehicle engine, if control is performed according to this predicted value, engine control with excellent responsiveness becomes possible.

ところで、スロットルの開は方は運転者の個人差、道路
環境等によって変化するため、従来の固定されたアルゴ
リズムで起こり得る全ての状況に対応してスロットルが
どこまで開かれるかを予想することは困難である。By the way, the way the throttle is opened varies depending on individual differences between drivers, the road environment, etc., so it is difficult to predict how far the throttle will be opened in response to all possible situations using conventional fixed algorithms. It is.

そこで、上述の事情に鑑み、本発明はスロットルが開か
れ始めた時点でスロットルがどこまで開かれるかを予測
し、これに基いて車両の運転状態を制御可能な車両制御
方法を提供することを目的としている。Therefore, in view of the above-mentioned circumstances, an object of the present invention is to provide a vehicle control method capable of predicting how far the throttle will be opened when the throttle starts to be opened, and controlling the driving state of the vehicle based on this prediction. It is said that

〔課題を解決するための手段〕[Means to solve the problem]

上述の目的を達成するため、本発明による車両制御方法
においては、学習機能を有するニューラルネットワーク
に少なくとも車載エンジンのスロットル開度の現在値お
よびその変化率を周期的に入力し、周期的に得られるニ
ューラルネットワークの出力値をスロットル開度予測値
としてこれに基き車両の運転状態を制御することとし、
実際のスロットル開度の変化率が零となったときに、そ
のときの実際のスロットル開度にスロットル開度予測値
が近付くようにニューラルネットワークに学習をさせる
こととしている。In order to achieve the above-mentioned object, in the vehicle control method according to the present invention, at least the current value of the throttle opening of the in-vehicle engine and its rate of change are periodically input to a neural network having a learning function, and the present value and the rate of change thereof are periodically obtained. The output value of the neural network is used as a predicted throttle opening value to control the driving state of the vehicle based on this.
The neural network is trained so that when the rate of change in the actual throttle opening becomes zero, the predicted throttle opening value approaches the actual throttle opening at that time.

〔作用〕 このように、車両走行中に一連のスロットル開度変化が
終了する毎にニューラルネットワークにスロットル開度
の極大値を学習させることにより、スロットルが開き始
めた時点でスロットルがどこまで開かれるかをニューラ
ルネットワークにより、運転者の癖等を考慮にいれて予
ＩＰＪすることが可能となる。[Operation] In this way, by having the neural network learn the maximum value of the throttle opening each time a series of throttle opening changes are completed while the vehicle is running, it is possible to determine how far the throttle will open when it starts to open. Using a neural network, it is possible to predict IPJ by taking into consideration the driver's habits.

更に、実際のスロットル開度の変化率が零となる前に実
際のスロットル開度の変化率が極小値をとるときには、
そのときにそのときの実際のスロットル開度にスロット
ル開度予測値が近付くようにニューラルネットワークに
学習をさせることとして、そのような場合にスロットル
開度予測値の蹟度が低下するのを防止することとしてい
る。Furthermore, when the rate of change in the actual throttle opening takes a minimum value before the rate of change in the actual throttle opening becomes zero,
At that time, the neural network is trained so that the predicted throttle opening value approaches the actual throttle opening at that time, thereby preventing the predicted throttle opening value from decreasing in such cases. It is said that

また、スロットル予測値に補正を加え、補正後のスロッ
トル予７ＴＰｌ値に基き車両の運転状態を制御すること
とし、スロットル開度予ｆｉＰＪ値が不当な値となるこ
とを防止している。Further, the throttle prediction value is corrected and the driving state of the vehicle is controlled based on the corrected throttle prediction 7TPl value, thereby preventing the throttle opening prediction fiPJ value from becoming an inappropriate value.

〔実施例〕〔Example〕

以下、本発明の実施例について第１図〜第６図を参照し
つつ、説明する。Embodiments of the present invention will be described below with reference to FIGS. 1 to 6.

第１図は本発明による車両制御方法が適用される制御装
置の概略構成を示しており、第２図は第１図に示したニ
ューラルネットワークの内部構成を示している。FIG. 1 shows a schematic configuration of a control device to which a vehicle control method according to the present invention is applied, and FIG. 2 shows an internal configuration of the neural network shown in FIG. 1.

ｔＪ１図に示した制御装置においては、車載エンジン（
図示せず）のスロットル開度θ、冷却水温度Ｔ　１車速
Ｖ等がそれぞれスロットルセンサー、水温センサ２、車
速センサ３等により検出されるようになっており、これ
らセンサの各出力はＡ／Ｄ変換器やマルチプレクサ等（
図示せず）を介して中央制御部５のＣＰＵ６に入力され
るようになっている。中央制御部５はＣＰＵ６、ＲＯＭ
７、ＲＡＭ８等から構成されている。ＣＰＵ６は上述し
たセンサからの出力信号をＲＡＭ８に格納したり、これ
らの出力信号を使って種々の演算処理を行う。そして、
演算結果に基きオートマチックトランスミッション（Ａ
Ｔ）１０や車載エンジンへ燃料を供給する燃料噴射装置
１１等に適切な制御指令信号を出力する。また、ＣＰＵ
６にはにはニューラルネットワーク（Ｎ−Ｎ）１２が接
続あるいは、含まれており、ニューラルネットワーク１
２は後述するようにスロットル開度の予測を行つ〇 この制御装置に用いられているニューラルネットワーク
１２は第２図に示したように、入力層として４つのニュ
ーロンを、第１および第２中間層としてそれぞれ８つの
ニューロンを、出力層として１つのニューロンを備えた
４層構造となっている。中間層を１つ省略して３層構造
としてもよいが、さまざまな車両の運転状況に対処して
スロットル開度の予測をする必要があることから、処理
能力の高い４層構造を採用している。また、中間層はニ
ューロンの数が多すぎると計算量が増大するので、８個
のニューロンで各中間層を構成することとした。In the control device shown in the tJ1 diagram, the in-vehicle engine (
(not shown), cooling water temperature T, vehicle speed V, etc. are detected by the throttle sensor, water temperature sensor 2, vehicle speed sensor 3, etc., and the outputs of these sensors are controlled by the A/D. Converters, multiplexers, etc. (
(not shown) to the CPU 6 of the central control unit 5. The central control unit 5 includes a CPU 6 and a ROM.
7, RAM8, etc. The CPU 6 stores the output signals from the above-mentioned sensors in the RAM 8 and performs various calculation processes using these output signals. and,
Automatic transmission (A
T) Appropriate control command signals are output to the fuel injection device 11 that supplies fuel to the engine 10 and the vehicle engine. Also, CPU
6 is connected to or includes a neural network (N-N) 12, and the neural network 1
2 predicts the throttle opening degree as described later. The neural network 12 used in this control device has four neurons as input layers, first and second intermediate neurons, as shown in FIG. It has a four-layer structure with eight neurons in each layer and one neuron in the output layer. It is possible to omit one intermediate layer and use a three-layer structure, but since it is necessary to predict the throttle opening in response to various vehicle driving conditions, a four-layer structure with high processing capacity is adopted. There is. Furthermore, since the amount of calculation in the middle layer increases if the number of neurons is too large, it was decided that each middle layer is composed of eight neurons.

入力層のニューロンにはそれぞれＣＰＵ６からスロット
ル開度θ、スロットル開度の変化率（スロットル速度）
δ、スロットル速度の変化率（スロットル加速度）θお
よびスロットルの踏み込み時間ｔｅが入力される。これ
らの入力に応じて出力層から出力されるニューラルネッ
トワークの出力信号は、入力層に入力された信号に基づ
いてニューラルネットワーク１２により予測された将来
のスロットル開度予＃１値θ　としてＣＰＵ６に対して
入力されるようになっている。Each neuron in the input layer receives throttle opening θ and rate of change in throttle opening (throttle speed) from the CPU 6.
δ, rate of change in throttle speed (throttle acceleration) θ, and throttle depression time te are input. The output signal of the neural network output from the output layer in response to these inputs is sent to the CPU 6 as the future throttle opening prediction #1 value θ predicted by the neural network 12 based on the signal input to the input layer. It is now entered as follows.

第３図にＣＰＵ６が実行するサブルーチンの一例をフロ
ーチャートにして示す。FIG. 3 shows a flowchart of an example of a subroutine executed by the CPU 6.

このサブルーチンは、ＣＰＵ６がニューラルネットワー
ク１２に将来のスロットル開度を予測させ、その予測値
に基き車両の運転状態を制御するためのものであり、所
定周期（例えば１０　ａｓｅｃ）毎に実行されるように
なっている。This subroutine is for the CPU 6 to make the neural network 12 predict the future throttle opening and control the driving state of the vehicle based on the predicted value, and is executed every predetermined period (for example, 10 asec). It has become.

このサブルーチンが実行されると、まず、現在値データ
として現在のスロットル開度θ、冷却水温度Ｔ　１車速
Ｖ等が取り込まれる（ステップＳ１）。次に、前回取り
込まれたスロットル開度θ　　を１．０３倍した値と今
回取り込まれたス−１ ０ットル開度θ　の値とを大小比較しくステップＳ２）
、今回値θ　の方が大きかった場合には、スロットルが
開かれ始めたと考えることができるので、その後スロッ
トルがどこまで開かれるかを予測する必要がある。そこ
で、スロットル開度のを算出する（ステップＳ３）。踏
み込み時間ｔは運転者がアクセルペダルを踏み始めてか
らの時間であり、スロットル速度θはスロットル開度θ
の変化率すなわちスロットル開度θの１回微分値であり
、スロットル加速度θはスロットル速度−の変化率すな
わちスロットル開度θの２回微分値である。そして、ス
ロットル開度θ、スロットル速度θ、スロットル加速度
θ及び踏み込み時間ｔをニューラルネットワーク１２に
入力する（ステップＳ４）。なお、ニューラルネットワ
ーク１２への入力値は−１〜１の範囲内に分散するよう
に調整されている。例えば、スロットル開度θは０≦θ
≦１の範囲内で、全開時に１を、全閉時に０をとるよう
に調整され、スロットル速度θ、スロットル加速度θ、
踏み込み時間ｔはそれぞれ次式により表されるように調
整される。When this subroutine is executed, first, the current throttle opening θ, cooling water temperature T, vehicle speed V, etc. are taken in as current value data (step S1). Next, compare the value obtained by multiplying the previously captured throttle opening θ by 1.03 with the value of the throttle opening θ captured this time in step S2).
, if the current value θ is larger, it can be considered that the throttle has started to be opened, so it is necessary to predict how far the throttle will be opened thereafter. Therefore, the throttle opening degree is calculated (step S3). The depressing time t is the time from when the driver starts depressing the accelerator pedal, and the throttle speed θ is the throttle opening degree θ.
The rate of change in the throttle opening θ is the rate of change of the throttle opening θ, and the throttle acceleration θ is the rate of change in the throttle speed −, that is, the second differential of the throttle opening θ. Then, the throttle opening degree θ, throttle speed θ, throttle acceleration θ, and depression time t are input to the neural network 12 (step S4). Note that the input values to the neural network 12 are adjusted to be distributed within the range of -1 to 1. For example, the throttle opening θ is 0≦θ
Within the range of ≦1, the throttle speed θ, throttle acceleration θ,
The depression time t is adjusted as expressed by the following equations.

θＩ−ａ×（θ　−θ　　） ｎ　　　　　　ｎ−１ θ−ｂｘ（θ　−θ　　） −ｎ　　　　−ｎ−１ ｔ−１／　（１＋ｅｘｐ（（１５０−ｔ　　）　１５）
ただし、ａはθを−１〜１の範囲内に分散させるための
係数であり、ｂはθを−１〜１の範囲内に分散させるた
めの係数であり、ｔ　は踏み込み初期からの時間（５ｓ
ｅｃ）である。ｔについては、過去の平均的な踏み込み
時間（例えば、１５０ｓｓｅｃ前後）を０．５とし全体
の踏み込み時間が０〜１の範囲内に分散するようにシグ
モイド関数を用いて調整することとした。θI−a×(θ −θ ) n n−1 θ−bx(θ −θ ) −n −n−1 t−1/ (1+exp((150−t) 15)
However, a is a coefficient for dispersing θ within the range of -1 to 1, b is a coefficient for distributing θ within the range of -1 to 1, and t is the time from the initial stage of depression ( 5s
ec). As for t, the past average depression time (for example, around 150 ssec) is set as 0.5, and adjustment is made using a sigmoid function so that the entire depression time is distributed within the range of 0 to 1.

ニューラルネットワーク１２はこれらの入力に応じ出力
を発する。このニューラルネットワーク１２の出力は将
来のスロットル開度を予測した予測値θ　として取り込
まれる（ステップＳ５）。Neural network 12 generates outputs in response to these inputs. The output of this neural network 12 is taken in as a predicted value θ that predicts the future throttle opening (step S5).

ニューラルネットワーク１２の出力は、後述するように
予測の精度を向上すると共に、予測時間の取り分を多く
するという相反する学習を行っているため、どちらの条
件もある程度溝たす中間的な出力となる。その為、ニュ
ーラルネットワーク１２の出力にある程度の増減を加え
て補正を行うことにより、更に予測精度を向上させるこ
とかできる。The output of the neural network 12 is an intermediate output that satisfies both conditions to some extent because it performs contradictory learning to improve prediction accuracy and increase the share of prediction time, as will be described later. . Therefore, by correcting the output of the neural network 12 by increasing or decreasing it to a certain extent, the prediction accuracy can be further improved.

そこで、本発明においては、スロットル開度予測値θ　
として取り込まれたニューラルネットワ一り１２の出力
を以下のように補正する。まず、この予測値θ　が過大
な値であった場合には、許容される予測値の最大値にこ
れを修正する（ステップＳ６）。そして、運転者による
踏み込みが終了するまでの踏み込み時間が推定される（
ステップＳ７）。この推定の後、スロットル速度θと所
定値θ１との大小比較を行い（ステップＳ８）、速度θ
の方が大きかった場合には更に踏み込み時間ｔと過去の
踏み込み完了時間の平均値ｔ　　とｖｅ の大小比較を行う（ステップＳ９）。これにより、現在
が踏み込み初期に相当しているのか、踏み込み後期に相
当しているのかの判別を行う。踏み込み時間ｔが平均値
ｔ　　よりも小さい場合には、ｖｅ 踏み込み初期と判断でき、この場合にはニューラルネッ
トワーク１２から取り込まれたスロットル開度予測値θ
　に所定の値αを加算し、加算後の値をスロットル開度
予測値θ　とする（ステップ５１０）。逆に踏み込み時
間ｔが平均値ｔ　　よｖｅ りも大きい場合には、踏み込み後期と判断でき、この場
合にはニューラルネットワーク１２から取り込まれたス
ロットル開度予測値θ　から所定の値βを減算し、減算
後の値をスロットル開度予測値θ　とする（ステップ５
１１）。このときの所定値α及びβは次式により表され
る。Therefore, in the present invention, the throttle opening predicted value θ
The output of the neural network 12 captured as follows is corrected as follows. First, if this predicted value θ is an excessive value, it is corrected to the maximum allowable predicted value (step S6). Then, the depressing time until the end of the depressing by the driver is estimated (
Step S7). After this estimation, a comparison is made between the throttle speed θ and a predetermined value θ1 (step S8), and the speed θ
If ve is larger, the depression time t and the average value t of past depression completion times are further compared in magnitude (step S9). Thereby, it is determined whether the current situation corresponds to the early stage of depression or the late stage of depression. If the depression time t is smaller than the average value t, it can be determined that ve is the initial stage of depression, and in this case, the predicted throttle opening value θ taken in from the neural network 12
A predetermined value α is added to the value α, and the value after the addition is set as the predicted throttle opening value θ (step 510). Conversely, if the depression time t is larger than the average value t, it can be determined that the depression is in the late stage, and in this case, a predetermined value β is subtracted from the predicted throttle opening value θ taken in from the neural network 12. The value after the subtraction is set as the predicted throttle opening value θ (Step 5
11). The predetermined values α and β at this time are expressed by the following equations.

α−θ（１−推定時間）（θ　−θ）（可変室数１） β−（θ　−θ）（可変定数２） ただし、推定時間は０≦推定時間≦１の範囲内で踏み込
み初期には０に近い値をとり、踏み込み後期には１に近
い値をとる。可変定数は１回の踏み込み毎に微調整する
ための係数であり、所定値α及びβはα〉０、β〉０で
ある。α - θ (1 - estimated time) (θ - θ) (number of variable chambers 1) β - (θ - θ) (variable constant 2) However, the estimated time is within the range of 0≦estimated time≦1 at the initial stage of stepping. takes a value close to 0, and takes a value close to 1 in the latter half of the depression. The variable constant is a coefficient for fine adjustment each time the pedal is depressed, and the predetermined values α and β are α>0 and β>0.

このように、スロットル開度予測値θ　にα、βの補正
を加えることにより、第４図に示したように、予測値θ
　を踏み込み完了時のスロットル開度θに近付けること
ができる。なお、第４図に示した実線曲線は実際のスロ
ットル開度θの推移を示し、鎖線曲線は補正前の予測値
θ　（すなわち、ニューラルネットワーク（Ｎ−Ｎ）の
出力）の推移を示し、実線直線は補正後の予１ＴＦＪ値
θ　を示している。In this way, by adding corrections α and β to the predicted throttle opening value θ, the predicted value θ is calculated as shown in FIG.
The throttle opening degree θ can be brought close to the throttle opening degree θ when the pedal is fully depressed. The solid line curve shown in Fig. 4 shows the change in the actual throttle opening θ, the dashed line curve shows the change in the predicted value θ before correction (i.e., the output of the neural network (N-N)), and the solid line shows the change in the predicted value θ before correction. The straight line indicates the pre-1 TFJ value θ after correction.

更に、ステップＳＩＯにおいて、過去のスロットル開度
θの極大値の変動量が大きい場合には、踏み込み初期に
集中して予ｎｊ値θ　を増大させて予測時間の取り分を
大きくするため、所定値αとして次式により求められる
値を用いることが好ましい。Furthermore, in step SIO, if the amount of variation in the past maximum value of the throttle opening θ is large, the predetermined value α is increased in order to increase the predetermined value θ concentrated on the initial stage of depression and increase the share of the prediction time. It is preferable to use a value obtained from the following equation.

α−θ（１−推定時間）２　（θ　−θ）（可変定数１
） また、ステップＳ９で踏み込み後期と判断された場合に
、予測値θ　から所定値βを減算する（ステップ５１１
）代わりに、踏み込み後期と判断された時点で予測値θ
　を固定してしまい、周期的にニューラルネットワーク
１２の出力値を取り込むことによって予測値θ　を更新
することを取り止めることとしてもよい。α - θ (1 - estimated time) 2 (θ - θ) (variable constant 1
) Furthermore, if it is determined in step S9 that the depression is in the late stage, a predetermined value β is subtracted from the predicted value θ (step 511).
) Instead, the predicted value θ is calculated at the time when it is determined that the pedal is in the late stage.
It is also possible to fix the predicted value θ and stop updating the predicted value θ by periodically taking in the output value of the neural network 12.

そして、予測値θ　と所定値との比較を行い（ステップ
５１２）、予測値θ　が所定値よりも小さく予測値とし
ては小さすぎると判断された場合にはスロットル速度θ
に比例した値ｆ（θ）を予測値θ　に加算してこれを新
たに予測値θ　とｐ する（ステップ５１３）。更に、スロットル速度スロッ
トルがかなり大きな速度で開かれていると判断できる場
合には、スロットルが全開まで開かれるものと想定しス
ロットル開度予測値θ　の値を１とする（ステップ５１
５）。この後１、予測値θ　が過大な値であった場合に
は、許容される予測値の最大値にこれを修正する（ステ
ップ５１６）。そして、上述したように、補正が必要に
応じて加えられた後の予測値θ　をオートマチックトラ
ンスミッション１０や燃料噴射装置１１等の制御用デー
タとして用い、これらの制御指令を発する（ステップ５
１７）。このように、予測値θ　に基づいてオートマチ
ックトランスミッション１０や燃料噴射装置１１等を制
御することとすれば、シフトダウンのタイミングを早め
ることができ、変速のショックやタイムラグを押さえる
ことができるし、また応答性に優れたエンジン制御が可
能となる。Then, the predicted value θ is compared with a predetermined value (step 512), and if it is determined that the predicted value θ is smaller than the predetermined value and is too small as a predicted value, the throttle speed θ is
A value f(θ) proportional to is added to the predicted value θ and this is set as a new predicted value θ (step 513). Further, if it is determined that the throttle speed throttle is opened at a considerably high speed, the throttle opening predicted value θ is set to 1, assuming that the throttle will be opened to the full throttle (step 51).
5). After this, if the predicted value θ is an excessive value, it is corrected to the maximum allowable predicted value (step 516). Then, as described above, the predicted value θ after correction is added as necessary is used as control data for the automatic transmission 10, fuel injection device 11, etc., and these control commands are issued (step 5).
17). In this way, if the automatic transmission 10, fuel injection device 11, etc. are controlled based on the predicted value θ, the timing of downshifting can be brought forward, and the shock and time lag of shifting can be suppressed. Engine control with excellent responsiveness is possible.

その後、スロットル速度θの値が０となったときに、そ
のときの実際のスロットル開度θにニューラルネットワ
ーク１２の出力（θ　）が近付くように、ニューラルネ
ットワーク１２にそのバックプロパゲーションを用いて
学習をさせる（ステップＳ１８、ステップ５１９）。こ
のように、車両走行中に一連のスロットル開度変化が終
了する毎にニューラルネットワークに学習をさせること
により、スロットルが開き始めた時点でスロットルがど
こまで開かれるかをニューラルネットワークにより、運
転者の癖等を考慮にいれて予測することが可能となり、
予測値の精度が向上する。After that, the neural network 12 is trained using the backpropagation so that when the value of the throttle speed θ becomes 0, the output (θ ) of the neural network 12 approaches the actual throttle opening θ at that time. (Step S18, Step 519). In this way, by having the neural network learn each time a series of throttle opening changes are completed while the vehicle is running, the neural network can determine how far the throttle should be opened at the point when the throttle starts to open. It is now possible to make predictions by taking into account factors such as
The accuracy of predicted values is improved.

学習はニューラルネットワーク１２を構成する各ニュー
ロン出力の重みを変えることにより行われる。学習の修
正量には制限をっけ、特異な踏み込みやノイズの影響に
より予測の精度が低下することを防止することが望まし
い。Learning is performed by changing the weights of the outputs of each neuron making up the neural network 12. It is desirable to limit the amount of learning correction to prevent prediction accuracy from deteriorating due to unusual stepping or noise.

一般に、予測の精度を重視した学習を行わせると、予測
時間の取り分が減少する一方、逆に早めに予測するよう
に学習させると、予測の精度が低下するという問題が生
ずる。そこで、学習方法を必要により切り替えて学習を
行わせる。例えば、スロットル開度θの予測の精度が誤
差２０％以内におさまっていない場合には、大きく予測
し過ぎた分を小さくする学習を行わせ、そうでない場合
は予測時間の取り分を多くして予測が足りなかった分を
大きくする学習を行わせる。このようにすると、最終的
な予測がはずれた場合、シフトダウンの回数が多少増え
るが、変速ショック及びタイムラグが低減されるメリッ
トの方が大きいと考えられるので、１０％程度の予測誤
差はかまわないものとして予測時間の取り分を多くする
。In general, when learning is performed with emphasis on prediction accuracy, the amount of prediction time is reduced, whereas when learning is performed to predict early, the prediction accuracy is reduced. Therefore, learning is performed by switching the learning method as necessary. For example, if the accuracy of predicting the throttle opening θ is not within 20% error, learning will be performed to reduce the overpredicted amount, and if not, the prediction will be made by increasing the amount of prediction time. Have students learn to make up for what they lack. In this way, if the final prediction is incorrect, the number of downshifts will increase somewhat, but the benefit of reducing shift shock and time lag is considered to be greater, so a prediction error of about 10% is not a problem. As a result, increase the amount of prediction time.

また、実際のスロットル開度θが第５図（ａ）に示した
ように、途中にたるんだ部分のある階段状に推移する場
合に、スロットル速度が零となった時点のスロットル開
度を学習させると、同図（ｂ）に示したように段階的に
スロットル開度が推移しない場合の予測精度が低下して
しまう。そこで、このように段階的に実際のスロットル
開度θが推移した場合には、同図（Ｃ）に示したように
、変曲点が現れる毎に（すなわち、スロットル速度が極
小値となる毎に）そのときのスロットル開度θを学習さ
せ、予測精度の向上を図ることが望ましい。このように
すると、同図（ｄ）に示したように予測精度が向上する
。In addition, when the actual throttle opening θ changes in a step-like manner with a slack part in the middle, as shown in Fig. 5(a), the throttle opening at the time when the throttle speed reaches zero is learned. If this happens, the prediction accuracy will decrease when the throttle opening does not change stepwise as shown in FIG. 2(b). Therefore, when the actual throttle opening degree θ changes stepwise in this way, as shown in FIG. (b) It is desirable to learn the throttle opening degree θ at that time to improve prediction accuracy. In this way, the prediction accuracy is improved as shown in FIG. 2(d).

また、実際のスロットル開度θが全開近傍あるいは全開
近傍の値となった場合には、０や１に近い値を学習させ
ることとなるが、このような値を繰り返して学習させる
とその学習の影響が大きくなり、それまでに形成された
シナプス荷重が破壊されてしまう傾向がある。実際には
、スロットル全閉近傍のスロットル開度を学習させるこ
とはないので、全開近傍のスロットル開度の学習のみが
問題となる。そこで、これを解決する方策として、スロ
ットル開度θの値を０≦θ≦０．９の範囲内に制限する
か、あるいは、踏み込み初期の全開近傍に達しない部分
のスロットル開度を学習させるようにすることが考えら
れる。In addition, if the actual throttle opening θ becomes a value close to full open or close to full open, a value close to 0 or 1 will be learned, but if such values are repeatedly learned, the learning will be delayed. The effect tends to be large and the previously formed synaptic loads tend to be destroyed. In reality, since the throttle opening degree near the fully closed throttle is not learned, only the learning of the throttle opening degree near the fully open throttle is a problem. Therefore, as a measure to solve this problem, the value of the throttle opening θ should be limited to within the range of 0≦θ≦0.9, or the throttle opening should be learned at a portion that does not reach the vicinity of full open at the initial stage of depression. It is possible to do so.

なお上述しなかったが、スロットル開度予測値θ　の補
正として、ニューラルネットワーク１２からスロットル
開度予測値θ　として周期的に得られる出力値が急激に
変化する場合、すなわち、前回のニューラルネットワー
クの出力値と今回のニューラルネットワークの出力値と
の差が大きい場合には、その変化ｊｌ（差）を抑制して
小さくする方向に補正することも可能である。Although not mentioned above, when the output value periodically obtained from the neural network 12 as the throttle opening predicted value θ changes rapidly as a correction of the throttle opening predicted value θ, in other words, the previous neural network output If the difference between the value and the current output value of the neural network is large, it is also possible to suppress and correct the change jl (difference) to make it smaller.

上述のようにして最終的に得られるスロットル開度子ｎ
１値θ　の推移を実際のスロットル開度θの推移及びニ
ューラルネットワークの出力値の推移と共に第６図に場
合分けして示す。まず、同図（ａ）はスロットル速度が
零となる毎に（実際のスロットル開度が極大値となる毎
に）、そのときの実際のスロットル開度θを学習させた
場合における最終的な予測値θ　を示している。また、
同図（ｂ）はスロットル速度θが極大値となった時点で
学習を行わせた場合の最終的な予測値θ　を示しており
、同図（Ｃ）は実際のスロットル開度θが段階的に推移
した場合にスロットル速度が極小値となった時点で学習
をさせた場合の最終的な予測値θ　を示しており、同図
（ｄ）はスロットル速度θが大きく全開が予測された場
合の最終的な予測値θ　を示している。なお、これらの
図において・印は学習位置を示し、Δ印はオートマチッ
クトランスミッションのキックダウンポイントを示して
いる。Throttle opening degree n finally obtained as described above
The transition of the single value θ is shown in FIG. 6 along with the transition of the actual throttle opening θ and the output value of the neural network. First, Figure (a) shows the final prediction when the actual throttle opening θ is learned every time the throttle speed becomes zero (every time the actual throttle opening reaches a maximum value). The value θ is shown. Also,
Figure (b) shows the final predicted value θ when learning is performed when the throttle speed θ reaches its maximum value, and Figure (C) shows the actual throttle opening θ in stages. The figure shows the final predicted value θ when learning is performed when the throttle speed reaches its minimum value when the throttle speed changes to . The final predicted value θ is shown. In these figures, the * mark indicates the learning position, and the Δ mark indicates the kickdown point of the automatic transmission.

〔発明の効果〕〔Effect of the invention〕

以上説明したように、本発明による車両制御方法によれ
ば、車両走行中に一連のスロットル開度変化が終了する
毎にニューラルネットワークに学習をさせることにより
、スロットルが開き始めた時点でスロットルがどこまで
開かれるかをニューラルネットワークにより、運転者の
癖等を考慮にいれて予測することが可能となり、予測値
の精度が向上する。したがって、スロットルが開かれ始
めた時点でスロットルがどこまで開かれるかを予測し、
その予測に基いて車両の運転状態を制御することが可能
となる。As explained above, according to the vehicle control method according to the present invention, the neural network is trained every time a series of throttle opening changes are completed while the vehicle is running, so that when the throttle starts to open, Using a neural network, it is possible to predict whether the vehicle will open, taking into account the driver's habits, etc., improving the accuracy of the predicted value. Therefore, predict how far the throttle will open once it starts to open,
It becomes possible to control the driving state of the vehicle based on the prediction.

更に、本発明にれば、実際のスロットル開度の変化率が
零となる前に実際のスロットル開度の変化率が極小値を
とるときには、そのときにそのときの実際のスロットル
開度にスロットル開度予測値が近付くようにニューラル
ネットワークに学習をさせることとしているので、スロ
ットル開度予測値の精度が向上する。Furthermore, according to the present invention, when the rate of change in the actual throttle opening takes a minimum value before the rate of change in the actual throttle opening becomes zero, at that time the throttle is adjusted to the actual throttle opening at that time. Since the neural network is trained so that the predicted opening value approaches the predicted value, the accuracy of the predicted throttle opening value is improved.

また、スロットル予測値に補正を加えることにより、ス
ロットル開度予測値が不当な値となることが防止されて
いるので、より精度の高い予測が可能となる。In addition, by correcting the throttle predicted value, the throttle opening predicted value is prevented from becoming an unreasonable value, so more accurate prediction is possible.

【図面の簡単な説明】[Brief explanation of the drawing]

第１図は本発明による車両制御方法が適用される制御装
置のブロック図、第２図は第１図に示した制御装置に用
いられるニューラルネットワークのブロック図、第３図
は第１図に示した制御装置の動作の一部を説明するため
のフローチャート、第４図はスロットル開度予測値の補
正について説明するための図、第５図はスロットル開度
が段階的に推移する場合の学習方法を説明するための図
、第６図は最終的に得られるスロットル開度予測値の推
移を示した図である。 １・・・スロットルセンサ、２・・・水温センサ、３・
・・車速センサ、５・・・中央制御部、６・・・ＣＰＵ
。 ７・・・ＲＯＭ、８・・・ＲＡＭ、１０・・・オートマ
チックトランスミッション、１１・・・燃料噴射装置、
１２・・・ニューラルネットワーク。FIG. 1 is a block diagram of a control device to which a vehicle control method according to the present invention is applied, FIG. 2 is a block diagram of a neural network used in the control device shown in FIG. 1, and FIG. 3 is a block diagram of a neural network shown in FIG. Figure 4 is a flowchart for explaining part of the operation of the control device, Figure 4 is a diagram for explaining correction of the predicted throttle opening value, and Figure 5 is a learning method when the throttle opening changes in stages. FIG. 6 is a diagram showing the transition of the finally obtained predicted throttle opening value. 1...Throttle sensor, 2...Water temperature sensor, 3.
...Vehicle speed sensor, 5...Central control unit, 6...CPU
. 7... ROM, 8... RAM, 10... automatic transmission, 11... fuel injection device,
12... Neural network.

Claims (1)

【特許請求の範囲】 １、学習機能を有するニューラルネットワークに少なく
とも車載エンジンのスロットル開度現在値およびその変
化率を周期的に入力し、周期的に得られるニューラルネ
ットワークの出力値をスロットル開度予測値とし、これ
に基き車両の運転状態を制御する方法であって、 実際のスロットル開度の変化率が零となったときに、そ
のときの実際のスロットル開度に前記スロットル開度予
測値が近付くように前記ニューラルネットワークに学習
をさせることを特徴とする車両制御方法。 ２、実際のスロットル開度の変化率が零となる前に実際
のスロットル開度の変化率が極小値をとるときには、そ
のときにそのときの実際のスロットル開度に前記スロッ
トル開度予測値が近付くように前記ニューラルネットワ
ークに学習をさせることを特徴とする請求項１記載の車
両制御方法。 ３、前記スロットル予測値に補正を加え、補正後のスロ
ットル予測値に基き車両の運転状態を制御することを特
徴とする請求項１又は２記載の車両制御方法。 ４、前記補正は、前記ニューラルネットワークに入力さ
れるスロットル開度現在値およびその変化率が実際のス
ロットル開度変化の初期のものである場合には、前記ス
ロットル開度予測値を増加させ、前記ニューラルネット
ワークに入力されるスロットル開度現在値およびその変
化率が実際のスロットル開度変化の後期のものである場
合には、前記スロットル開度予測値を減少させる補正で
あることを特徴とする請求項３記載の車両制御方法。 ５、前記補正は、前記ニューラルネットワークに入力さ
れるスロットル開度現在値およびその変化率が実際のス
ロットル開度変化の後期のものである場合には、前記ス
ロットル開度予測値を減少させる代わりに、周期的に出
力されるニューラルネットワークの出力値の更新を取り
止める補正であることを特徴とする請求項４記載の車両
制御方法。 ６、前記補正は、前記ニューラルネットワークの出力値
が小さすぎる場合には、実際のスロットル開度変化率に
比例した値を前記スロットル開度予測値に加える補正で
あることを特徴とする請求項３記載の車両制御方法。 ７、前記補正は、前記ニューラルネットワークに入力さ
れるスロットル開度現在値の変化率が所定値よりも大き
い場合には、スロットル開度予測値をスロットル全開値
とする補正であることを特徴とする請求項３記載の車両
制御方法。 ８、前記補正は、前記ニューラルネットワークから前記
スロットル開度予測値として周期的に得られる出力値が
急激に変化する場合には、その変化量を抑制する補正で
あることを特徴とする請求項３記載の車両制御方法。[Claims] 1. At least the current value of the throttle opening of the vehicle engine and its rate of change are periodically input to a neural network having a learning function, and the periodically obtained output value of the neural network is used to predict the throttle opening. This is a method of controlling the driving state of a vehicle based on a value of the predicted throttle opening value, in which when the rate of change of the actual throttle opening becomes zero, the predicted throttle opening value is set to the actual throttle opening at that time. A vehicle control method characterized by causing the neural network to learn so as to approach the vehicle. 2. If the rate of change in the actual throttle opening takes a minimum value before the rate of change in the actual throttle opening becomes zero, then the predicted throttle opening value will be the actual throttle opening at that time. 2. The vehicle control method according to claim 1, further comprising causing the neural network to learn so as to approach the vehicle. 3. The vehicle control method according to claim 1 or 2, characterized in that the throttle prediction value is corrected and the driving state of the vehicle is controlled based on the corrected throttle prediction value. 4. The correction increases the predicted throttle opening value if the current throttle opening value and its rate of change input into the neural network are the initial values of the actual throttle opening change; A claim characterized in that, when the current value of throttle opening and its rate of change inputted into the neural network are those in a later period of the actual change in throttle opening, the correction is to reduce the predicted value of throttle opening. The vehicle control method according to item 3. 5. When the current throttle opening value and its rate of change input into the neural network are late in the actual throttle opening change, the correction is performed instead of decreasing the predicted throttle opening value. 5. The vehicle control method according to claim 4, wherein the correction is to stop updating the output value of the neural network that is periodically output. 6. The correction is characterized in that, when the output value of the neural network is too small, a value proportional to the actual throttle opening change rate is added to the predicted throttle opening value. Vehicle control method described. 7. The correction is characterized in that when the rate of change of the current throttle opening value input to the neural network is larger than a predetermined value, the predicted throttle opening value is set to a fully open throttle value. The vehicle control method according to claim 3. 8. The correction is characterized in that when the output value periodically obtained from the neural network as the predicted throttle opening value changes rapidly, the correction is a correction that suppresses the amount of change. Vehicle control method described.
JP1296591A 1989-11-15 1989-11-15 Vehicle control method Expired - Fee Related JP2764832B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP1296591A JP2764832B2 (en) 1989-11-15 1989-11-15 Vehicle control method
US07/614,194 US5200898A (en) 1989-11-15 1990-11-15 Method of controlling motor vehicle

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP1296591A JP2764832B2 (en) 1989-11-15 1989-11-15 Vehicle control method

Publications (2)

Publication Number Publication Date
JPH03156601A true JPH03156601A (en) 1991-07-04
JP2764832B2 JP2764832B2 (en) 1998-06-11

Family

ID=17835529

Family Applications (1)

Application Number Title Priority Date Filing Date
JP1296591A Expired - Fee Related JP2764832B2 (en) 1989-11-15 1989-11-15 Vehicle control method

Country Status (2)

Country Link
US (1) US5200898A (en)
JP (1) JP2764832B2 (en)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03235723A (en) * 1990-02-09 1991-10-21 Hitachi Ltd Controller for automobile
US5477825A (en) * 1993-02-26 1995-12-26 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for vehicle
US5532929A (en) * 1992-12-16 1996-07-02 Toyota Jidosha Kabushiki Kaisha Apparatus for controlling vehicle driving power
WO2011001529A1 (en) * 2009-07-03 2011-01-06 本田技研工業株式会社 Suction control device for internal combustion engines
JP2012026302A (en) * 2010-07-20 2012-02-09 Honda Motor Co Ltd Catalyst-temperature prediction device
JP2021110253A (en) * 2020-01-07 2021-08-02 トヨタ自動車株式会社 Abnormality analysis device of airflow meter

Families Citing this family (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2672086B1 (en) * 1991-01-29 1995-02-03 Siements Automotive Sa METHOD AND DEVICE FOR CONTROLLING A CLOSED LOOP OF THE POWER OF AN INTERNAL COMBUSTION ENGINE PROPELLING A MOTOR VEHICLE.
JP2974440B2 (en) * 1991-03-22 1999-11-10 株式会社日立製作所 Automotive integrated control device
JPH0785280B2 (en) * 1992-08-04 1995-09-13 タカタ株式会社 Collision prediction judgment system by neural network
JPH0694116A (en) * 1992-09-08 1994-04-05 Hitachi Ltd Automatic shift controller
JPH06131009A (en) * 1992-10-20 1994-05-13 Fujitsu Ltd Feedback controller
US5394327A (en) * 1992-10-27 1995-02-28 General Motors Corp. Transferable electronic control unit for adaptively controlling the operation of a motor vehicle
JP3345930B2 (en) * 1993-01-06 2002-11-18 日産自動車株式会社 Active control device
US5454358A (en) * 1993-02-26 1995-10-03 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for internal combustion engine
DE69425100T2 (en) * 1993-09-30 2001-03-15 Koninkl Philips Electronics Nv Dynamic neural network
EP0646880B1 (en) * 1993-09-30 2000-07-05 Koninklijke Philips Electronics N.V. Dynamic neural net
JPH07127517A (en) * 1993-11-05 1995-05-16 Aisin Aw Co Ltd Automatic correcting method for characteristics of throttle opening sensor
US5495415A (en) * 1993-11-18 1996-02-27 Regents Of The University Of Michigan Method and system for detecting a misfire of a reciprocating internal combustion engine
US5445125A (en) * 1994-03-16 1995-08-29 General Motors Corporation Electronic throttle control interface
TW284866B (en) * 1994-07-08 1996-09-01 Philips Electronics Nv
DE19517198C1 (en) * 1995-05-11 1996-10-10 Samson Ag Controlling stroke position of regulating member
DE19520605C1 (en) * 1995-06-06 1996-05-23 Daimler Benz Ag Set-point control of combustion sequence in Otto-cycle IC engine
US5781700A (en) * 1996-02-05 1998-07-14 Ford Global Technologies, Inc. Trained Neural network air/fuel control system
US5745653A (en) * 1996-02-05 1998-04-28 Ford Global Technologies, Inc. Generic neural network training and processing system
US6092018A (en) * 1996-02-05 2000-07-18 Ford Global Technologies, Inc. Trained neural network engine idle speed control system
US6021369A (en) * 1996-06-27 2000-02-01 Yamaha Hatsudoki Kabushiki Kaisha Integrated controlling system
JP3703117B2 (en) * 1996-07-10 2005-10-05 ヤマハ発動機株式会社 Model-based control method and apparatus
JPH10122017A (en) * 1996-10-14 1998-05-12 Yamaha Motor Co Ltd Engine control system
US5806013A (en) * 1997-08-29 1998-09-08 Echlin, Inc. Control of engine fuel delivery using an artificial neural network in parallel with a feed-forward controller
US6405122B1 (en) 1997-10-14 2002-06-11 Yamaha Hatsudoki Kabushiki Kaisha Method and apparatus for estimating data for engine control
US6466859B1 (en) * 1998-06-04 2002-10-15 Yamaha Motor Co Ltd Control system
US6728380B1 (en) 1999-03-10 2004-04-27 Cummins, Inc. Adaptive noise suppression system and method
JP3830319B2 (en) * 1999-12-16 2006-10-04 株式会社デンソー Method for adjusting temperature characteristics of rotation angle detection sensor
DE10110184A1 (en) * 2001-03-02 2002-09-12 Powitec Intelligent Tech Gmbh Optimisation control of a thermodynamic process using state comparison and a process model
US20030009240A1 (en) * 2001-04-20 2003-01-09 Honda Giken Kogyo Kabushiki Kaisha Control system for plant
US6636783B2 (en) * 2001-06-05 2003-10-21 Honda Giken Kogyo Kabushiki Kaisha Control system for throttle valve actuating device
US20030175584A1 (en) * 2002-03-14 2003-09-18 Electric Fuel Ltd. Battery pack holder for metal-air battery cells
US7169489B2 (en) * 2002-03-15 2007-01-30 Fuelsell Technologies, Inc. Hydrogen storage, distribution, and recovery system
US20030234010A1 (en) * 2002-06-25 2003-12-25 Redmond Scott D. Methods and apparatus for converting internal combustion engine (ICE) vehicles to hydrogen fuel
US20070233326A1 (en) * 2006-03-31 2007-10-04 Caterpillar Inc. Engine self-tuning methods and systems
CN106401757B (en) * 2015-07-28 2019-07-05 长城汽车股份有限公司 Disconnected cylinder mode implementation method, system and the vehicle of engine
US11459962B2 (en) * 2020-03-02 2022-10-04 Sparkcognitton, Inc. Electronic valve control
US11434839B2 (en) * 2020-12-30 2022-09-06 Tula Technology, Inc. Use of machine learning for detecting cylinder intake and/or exhaust valve faults during operation of an internal combustion engine
DE112022000592T5 (en) 2021-01-11 2023-11-02 Tula Technology, Inc. DIAGNOSIS AND MANAGEMENT OF EXHAUST VALVE FAULTS

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0672563B2 (en) * 1986-04-28 1994-09-14 マツダ株式会社 Engine throttle control device
GB8629346D0 (en) * 1986-12-09 1987-01-21 Lucas Ind Plc Engine control
US4868755A (en) * 1987-05-18 1989-09-19 Texas Instruments Incorporated Expert vehicle control system
JP2581782B2 (en) * 1988-11-28 1997-02-12 日産自動車株式会社 Transmission control device for automatic transmission
US5041976A (en) * 1989-05-18 1991-08-20 Ford Motor Company Diagnostic system using pattern recognition for electronic automotive control systems

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH03235723A (en) * 1990-02-09 1991-10-21 Hitachi Ltd Controller for automobile
US5532929A (en) * 1992-12-16 1996-07-02 Toyota Jidosha Kabushiki Kaisha Apparatus for controlling vehicle driving power
US5477825A (en) * 1993-02-26 1995-12-26 Toyota Jidosha Kabushiki Kaisha Driving power control apparatus for vehicle
WO2011001529A1 (en) * 2009-07-03 2011-01-06 本田技研工業株式会社 Suction control device for internal combustion engines
JP5560275B2 (en) * 2009-07-03 2014-07-23 本田技研工業株式会社 Intake control device for internal combustion engine
JP2012026302A (en) * 2010-07-20 2012-02-09 Honda Motor Co Ltd Catalyst-temperature prediction device
JP2021110253A (en) * 2020-01-07 2021-08-02 トヨタ自動車株式会社 Abnormality analysis device of airflow meter

Also Published As

Publication number Publication date
US5200898A (en) 1993-04-06
JP2764832B2 (en) 1998-06-11

Similar Documents

Publication Publication Date Title
JPH03156601A (en) Vehicle control method
US5510982A (en) Automatic automobile transmission with variable shift pattern controlled in response to estimated running load
US5410477A (en) Control system for an automotive vehicle having apparatus for predicting the driving environment of the vehicle
US4841815A (en) Fuzzy control system for automatic transmission
US5598336A (en) Automatic transmission control system with variable lockup timing
KR100420442B1 (en) Adaptive transmission
US5758306A (en) Vehicle cruise control system
US7011602B2 (en) Shift control for continuously-variable transmission
US5772556A (en) Process for the cyclic adaptation of a characteristic for gear-changing in an automatic gearbox of a motor vehicle
US5688207A (en) Control apparatus for automatic transmission and control method therefore
US6882919B2 (en) Shift control method and apparatus of an automatic transmission
US4982805A (en) Constant-speed cruise control apparatus for a vehicle
KR950002561B1 (en) Gear shift control system of an automatic transmission
JPH10159957A (en) Shift control device and shift control method of automatic transmission
JP3107752B2 (en) Vehicle driving direction estimation device and vehicle driving force control device
US4967357A (en) Constant speed holding apparatus
USRE39684E1 (en) Automatic automobile transmission with variable shift pattern controlled in response to estimated running load
JP3066517B2 (en) Shift pattern continuously variable transmission control device
KR100217080B1 (en) Study control method of throttle position sensor
JP3451665B2 (en) Powertrain controls
JPS63219849A (en) Engine control device
JP2829409B2 (en) Transmission control device for automatic transmission
JPH10246325A (en) Target change gear ratio and target change gear step determining method
KR19990059730A (en) Automatic Transmission Shift Control Algorithm Using Neural Network
JPS63154837A (en) Throttle valve controller

Legal Events

Date Code Title Description
LAPS Cancellation because of no payment of annual fees